Computational Fluid Dynamic Modeling and Parametric Optimization of Hydrogen Adsorption in Stationary Hydrogen Tanks
Notice bibliographique
Résumé
This study investigates hydrogen storage enhancement through adsorption in porous materials by coupling the Dubinin–Astakhov (D-A) adsorption model with H2 conservation equations (mass, momentum, and energy). The resulting system of partial differential equations (PDEs) was solved numerically using the finite element method (FEM). Experimental work using activated carbon as an adsorbent was carried out to validate the model. The comparison showed good agreement in terms of temperature distribution, average pressure of the system, and the amount of adsorbed hydrogen (H2). Further simulations with different adsorbents indicated that compact metal–organic framework 5 (MOF-5) is the most effective material in terms of H2 adsorption. Additionally, the pair (273 K, 800 s) remains the optimal combination of injection temperature and time. The findings underscore the prospective advantages of optimized MOF-5-based systems for enhanced hydrogen storage. These systems offer increased capacity and safety compared to traditional adsorbents. Subsequent research should investigate multi-objective optimization of material properties and system geometry, along with evaluating dynamic cycling performance in practical operating conditions. Additionally, experimental validation on MOF-5-based storage prototypes would further reinforce the model’s predictive capabilities for industrial applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».